权重线性组合与逻辑回归模型在滑坡易发性区划中的应用与比较

以贵州省为研究区对滑坡易发性进行研究,对预测方法进行比较.其步骤为:首先,选取年均降雨量、岩性、高程、坡向、地形地貌、坡度、至构造线距离、至水系距离、至铁路距离和至公路距离10项评价指标作为影响滑坡发生的致灾因子,分别采用主客观权重线性组合(WLC)模型及结合确定性系数的逻辑回归模型(LR)分析研究区内各致灾因子与滑坡发生的相关性并建立预测模型:其次,基于ArcGIS平台完成贵州省滑坡易发性区划图,结合历史滑坡分布,应用熵值法对2个模型的区划结果进行验证和比较.最后,从模型原理、运行环境和适用条件等方面对2个模型进行比较和讨论.研究结果表明:WLC模型和LR模型的熵权分别为0.255和0.745,表明逻辑回归模型(LR)的区划结果与实际的滑坡情况吻合度更高.     

基于权重模型的滑坡灾害敏感性评价

在GIS环境下,基于主客观综合权重模型编制贵州省滑坡灾害敏感性区划图。选择历史滑坡分布、坡向、至水系距离、地形地貌、高程、岩性、至构造线距离和年平均降雨量作为引发滑坡的致灾因子,应用TFNW(梯形模糊数加权)方法计算二级指标的主观权重。根据历史滑坡的密度,以信息熵权理论计算一级指标的客观权重。最后,应用WLC(权重线性组合)方法,基于GIS平台编制贵州省滑坡灾害敏感性区划图。根据敏感性指标分布,将贵州省划分为4个区域：低危险区、中等危险区、高危险区和极高危险区。结合历史滑坡分布图对分区结果进行统计分析,结果表明滑坡敏感性预测区划图和实际的滑坡发育情况基本吻合,说明TFNW和信息熵理论是有效的滑坡致灾因子赋权方法。     

基于地理处理服务的滑坡敏感性区划研究

在ArcGIS Server平台下开发地理处理服务(GP服务),实现滑坡敏感性区划图的自动化编制.其步骤为:首先,阐述GP服务二次开发方法及其在地质灾害自动化分析和网络发布中的作用；然后,以贵州省为研究区域,选择高程、坡度、岩性、地质构造、铁路建设和年均降雨量6个致灾因子及其二级指标建立滑坡敏感性区划研究体系；最后,以主客观综合权重方法为原型构建滑坡敏感性区划GP模型,并发布为网络服务,在WebGIS系统中调用该服务自动编制贵州省滑坡敏感性区划图.将敏感性区划图与历史滑坡分布图比较,证明了GP模型的可靠性.     

应用CF和Logistic回归模型编制滑坡危险性区划图

根据地理信息系统(GIS),以滑坡发生确定性系数(CF)和Logistic回归模型编制贵州省滑坡灾害区划图,其主要步骤为:应用历史滑坡灾点面积和滑坡致灾单因子子集面积计算CF,由此确定主要的滑坡致灾因子;应用Logistic回归模型、地理信息系统(GIS)空间分析工具和统计软件SPSS寻求最合适的模型描述灾害是否发生(因变量)与致灾因子(自变量)之间的关系;计算研究区域内各单元的滑坡概率,划分危险性等级,绘制基于GIS的贵州省滑坡灾害区划图;最后,用历史灾害分布数据检验滑坡灾害区划图.研究结果表明:根据区划图,贵州省可分为4个区域,即低危险区、中等危险区、高危险区和极高危险区;对贵州省的危险性分区合理,结合CF与Logistic回归模型编制滑坡灾害区划图的方法有效.     

基于卷积神经网络模型的区域滑坡敏感性评价——以川藏铁路沿线为例

在遥感解译、野外调查及前人研究的基础上,基于共线性诊断与极端随机数算法对13个影响因子的相关性和重要性进行评估,运用一维卷积神经网络构建川藏铁路沿线滑坡敏感性评价模型,使用受试者工作特征（ROC)曲线进行精度验证.结果表明,影响该区滑坡发育的主控因子为距河流距离、道路与断层的距离以及岩性,敏感性极低、低、中、高、极高的面积分别占总面积的66.30%、10.98%、7.55%、6.91%和8.26%.敏感性高的区域主要分布在河流、道路两侧和断层发育的区域;全线滑坡敏感性高低呈分段式分布,在山南-朗县段、波密-理塘段最为严重;一维卷积神经网络的ROC曲线下覆盖的面积为0.958,能有效地进行该区域的滑坡敏感性评价.     

基于LR-IV模型的滑坡敏感性评价

滑坡敏感性评价是滑坡防治中的重要一环.针对信息量模型(Ⅳ)中各影响因子等权以及逻辑回归模型(LR)中因子难以量化的问题,将逻辑回归模型(LR)与信息量模型(Ⅳ)进行耦合,构建LR-Ⅳ模型,并将逻辑回归模型及信息量模型作为对照,以湖北省为例,进行了滑坡敏感性评价.选取工程岩组、地震烈度、水系距离、构造线距离、地貌、降雨面、坡度等七个因子,结合GIS的栅格分析方法,计算各区域滑坡敏感性指数,得到湖北省滑坡敏感性区划图.将历史滑坡数据随机分为70%的训练数据与30%的验证数据,通过受试者工作特征曲线来比较各个模型之间的性能.在成功率上,LR-Ⅳ模型(91.3%)与逻辑回归模型(91.5%)、信息量模型(90.3%)相差不大,都具有极高的成功率,但在预测率上,LR-Ⅳ模型(75.7%)远胜于逻辑回归模型(65.8%),略强于信息量模型(74.9%).研究结果表明,LR-Ⅳ模型表现优异,可用于滑坡敏感性评价.     

相关向量机在地震滑坡敏感性分析中的应用

 地震滑坡敏感性分析是地震次生灾害研究的重点内容之一。数据量大且致灾因素复杂是研究地震滑坡问题的难点。在对已有敏感性分析模型研究的基础上,以芦山地震为例,选取地面高程、坡度、坡向、地层、斜坡形态、斜坡结构、距断层平均距离、距水系平均距离、地震峰值加速度9个地震滑坡评价因子,建立基于遗传算法的相关向量机（GA-RVM）敏感性分析模型,生成地震滑坡敏感性区划图,统计结果显示滑坡正确率为99.74%,滑坡密度在极高敏感区达到27.4057个/km²。结果表明,相对于基于遗传算法的支持向量机,GA-RVM获得了更高的预测精度,可为进一步完成地震灾害预防提供依据。     

基于GIS的公路边坡危险性分析与预警系统研究

从宏观方面,针对滑坡易发性区划,选择高程、坡度、岩性、地质构造、铁路建设和年均降雨量6个致灾因子及其二级指标建立滑坡敏感性区划研究体系,以主客观综合权重方法为原型构建滑坡敏感性区划GP模型,并发布为网络服务,在WebGIS系统中调用该服务自动编制滑坡敏感性区划图.从微观方面,针对单体边坡,使用地理力学方法对边坡的稳定性进行计算与分析.然后根据已有监测数据,运用预测模型,判断滑坡所处阶段,确定滑坡预警级别.该文将地质灾害宏观区划与单体边坡稳定性分析以及监测预警相结合,运用到公路边坡信息管理系统中,从而实现对公路边坡的危险性分析和灾害预警.     

加权确定性系数模型的滑坡易发性评价

针对传统的滑坡灾害易发性评价中仅考虑评价因子间的一级指标权重或者因子各分级状态的二级指标权重,未能考虑各评价因子各分级状态的综合权重,从而导致评价结果缺乏一定适应性问题。文中提出了将随机森林模型(Random Forest,RF)和确定性系数模型(Certainty Factor,CF)相耦合的加权确定性系数评价模型(Weighted Certainty Factor,WCF)。该模型通过CF模型计算二级指标因子权重,并利用RF模型计算出一级指标因子权重,然后通过将所有指标因子的易发性指数进行加权求和,获得多种因素耦合下的滑坡灾害易发性程度。以陕西省西安市周至县为研究区,在对研究区的地质环境、人类活动情况、滑坡分布特征及形成条件进行了综合分析的基础上,选取了14类与滑坡发生相关的指示因子,结合GIS的空间分析功能,分别采用CF,RF和WCF模型对研究区内滑坡灾害易发性进行区划,各模型的评价结果采用Kappa系数进行对比验证。研究结果表明:研究区内的滑坡主要受高程、地貌类型、与断层距离因子的影响,各因子所占权重分别为0.27,0.12,0.11;改进后的WCF模型区划结果的准确性相对于RF和CF模型提高了5.2%和9.9%.由此表明,WCF模型更适用于研究区的滑坡易发性评价,评价结果可为研究区的滑坡灾害防治规划提供重要的参考价值。     

基于CF-PCCs模型的维西县滑坡致灾因子敏感性分析

为了深入了解滑坡的成灾背景，减少灾害造成的生命财产损失，以云南省维西县为研究区，选取了高程、坡度、坡向、降水量、距河流距离、工程地质岩组、距断层距离、植被归一化指数（Normalized Difference Vegetation Index,NDVI）和道路密度9项致灾因子，利用确定性系数（Certainty Factor,CF）-皮尔逊积矩相关系数（Pearson Product-moment Correlation Coefficient,PCCs）模型对致灾因子进行敏感性分析，并对分析结果的准确性进行了验证.结果表明：(1)因子敏感性由高到低分别为坡向、河流、高程、降水量、断层、道路、坡度、工程地质岩组和NDVI；(2)敏感性最大的因子类别包括：高程为1 486～2 600 m，坡度为0°～20°，坡向为半阳坡，降水量为782～1 178 mm，距河流距离为0～300 m，工程地质岩组为极软岩，距断层距离为2 400～3 200 m,NDVI为-0.169～0.039，道路密度为80～117 km/km2；(3)CF-PCCs模型精度高，数据分析结果可靠，该方法可为滑坡敏感性分...     

融合DBN和BiLSTM的工业互联网入侵检测方法

针对当前工业互联网的攻击行为复杂,其网络数据具有海量、高维、时序性和非线性等特征,导致传统入侵检测方法的特征提取困难、检测率低、泛化能力差等问题,提出一种融合深度信念网络(deep belief network,DBN)和双向长短时记忆网络(Bi-directional long short-term memory,B...     

基于奇异值分解和深度信度网络多分类器的滚动轴承故障诊断方法

提出一种基于奇异值分解(SVD)和深度信度网络(DBN)多分类器的滚动轴承故障诊断方法.对滚动轴承的振动信号进行相空间重构,得到相应的特征矩阵;对特征矩阵进行SVD分解,并用所得整个奇异值序列构造特征向量,建立DBN多分类器模型,以实现滚动轴承的故障诊断;同时,将所提出的方法与DBN、反向传播神经网络、支持向量机等算法进行对比.结果表明,所提出的方法能够更加稳定、可靠地识别滚动轴承的故障类型和故障程度.     

基于改进狼群算法-深度置信网络(IGWO-DBN)模型的旋风分离器压降预测

针对目前旋风分离器压降计算模型在准确性和实用性上的不足,为更好地指导旋风分离器的结构设计和性能优化,采用深度学习方法对其压降进行了预测。选取了影响压降的7个几何参数,采用深度学习中的深度置信网络（deep belief network,DBN）对旋风分离器压降数据进行预测,并利用改进的狼群算法（improved grey wolf optimizer,IGWO）对DBN模型的初始化权重和偏置参数进行寻优,构建IGWO-DBN组合模型,同时与几种传统计算模型和机器学习模型的预测结果进行对比。结果表明,IGWO-DBN模型在计算精度上优于Shepherd-Lapple模型、Casal模型等传统计算模型,并优于反向传播神经网络（back propagation neural network,BPNN）、支持向量机（support vector machine,SVM）、极限学习机（extreme learning machine,ELM）等机器学习模型,计算效率大幅提升,且具有较好的泛化性和鲁棒性,可用于旋风分离器压降参数的预测。     

基于改进HMM模型的组合服务故障诊断方法

针对现有组合Web服务诊断模型故障诊断准确率普遍不高的问题，提出一种新颖的基于改进隐马尔可夫模型(Improved-HMM)的故障诊断方法.首先，从组合服务监测数据中提取多维特征序列训练HMM模型.训练过程中，考虑到基于BW的方法仅在某观测条件下进行参数评估，获得的参数准确度不高，提出基于贝叶斯估计的学习方法，得到更客观的参数;进一步，基于改进的HMM模型计算当前特征序列对应的各类故障类型发生概率，推断最有可能的故障类型.实验结果表明，提出的方法具有较高的诊断率和较低的漏报率，适合在网络环境中进行实时故障检测.     

面向蓄意攻击的网络异常检测方法

针对复杂网络受蓄意攻击频繁，而现有的检测方法大多忽略全局拓扑突变特征的问题.从网络全局拓扑的异常演化特征出发，提出网络路径相对变化系数(network path change coefficient，NPCC)r，量化节点间传输路径的变化.由斐波那契数列衍生出斐波那契演化域，用于区分正常和异常演化.将r作为核心度量参量，构建斐波那契演化域，形成网络异常检测方法，实现对异常的判定.结果表明，该检测方法的平均准确率为90%以上，高于最大公共子图(maximum common subgraph，MCS)及图编辑距离(graph edit distance，GED)的准确率，证明了所提检测方法的有效性.     

基于CNN-LSTM的脑电情感四分类研究

为深入研究脑电信号时空特征之间的关联,解决因手动提取特征导致的脑电情感识别准确率较低问题。将卷积神经网络（Convolutional neural network, CNN）和长短时记忆网络（Long short- term memory, LSTM）相结合,构造出了CNN-LSTM模型。首先,提取了5个频段的5个不同特征：功率谱密度(PSD)、差分熵(DE)、差分不对称(DASM)、理性不对称(RASM)和差分熵差分(DCAU)。其次,将特征输入CNN-LSTM模型,在DEAP数据集中的效价和唤醒两种情感维度上展开四分类实验。最后,将堆栈自编密码器(SAE),卷积稀疏自编码器(CSAE),深度置信网络(DBN)分别与LSTM组合,构造SAE-LSTM,CSAE-LSTM,DBN-LSTM三种混合模型同CNN-LSTM进行分类准确率比较。实验结果表明,DE特征的分类识别效果在五种特征中占最优,β和γ频段上所有特征的识别准确率远高于其他频段,尤其是γ频段。CNN-LSTM模型获得了最高的平均分类准确率92.48%,充分证明了CNN-LSTM模型的有效性。     

PSO优化深度神经网络诊断齿轮早期点蚀故障

基于数据驱动方法诊断齿轮故障时一般会用傅里叶变换等进行特征提取，特征提取方法的选取对诊断结果影响很大.提出应用深度神经网络来诊断齿轮早期点蚀故障，直接以采集的振动信号作为网络输入，可以避免特征提取环节产生误差.此外，应用粒子群算法优化深度神经网络，使训练过程更稳定、诊断率更高.在分析结果时应用主成分分析法对网络输出进行降维.用实验采集的数据训练并测试网络，诊断正确率能达到90%之上，证明所提出的方法是合理、可用的.     

基于CNN的心冲击信号阵发性房颤自动检测方法

阵发性房颤具有发作突然且时间短的特点，而目前其临床诊断方法——心电信号，不适于日常监护，因此，提出一种基于心冲击信号(ballistocardiogram，BCG)的非接触式房颤自动检测方法.研究不同输入数据长度与不同网络深度的匹配关系，获取应用一维卷积神经网络(convolutional neural network，CNN)检测阵发性房颤的最优组合.通过2000组数据的测试，所提模型的最佳性能为:测试准确性94.8%、敏感性97.2%、特异性92.7%，为基于BCG信号的心律失常检测与远程日常家庭监护提供了可能性.     

基于K-PSO聚类算法和熵值法的滑坡敏感性

引入K-PSO聚类算法和熵值法,建立滑坡敏感性分析模型.选取旭龙水电站库区22处典型滑坡作为研究对象,确定8个主要影响因子:岩体结构、斜坡结构、断层距离、变形迹象、坡体高度、平均坡度、诱发地震、淹没比例.利用熵值法确定影响因子权重值分别为0.152,0.178,0.035,0.106,0.106,0.169,0.193和0.061.采用K-PSO算法对滑坡进行敏感性划分,结果表明,该库区22处滑坡有8处为轻度敏感,9处为中度敏感,4处为重度敏感和1处极度敏感.将评价结果与现场实际调查情况对比分析知,22处滑坡的敏感度水平与现场实际发育情况具有较好的一致性,该方法对旭龙水电站库区滑坡敏感性评价具有良好的指导作用.